原创 让你更懂AI的 2025-11-13 12:36 北京
智能体做“深度研究”很厉害，但它懂你吗？
大模型智能体正从“通用问答”迈向“深度研究”——不仅能自主检索、整合信息，还能生成结构清晰、证据充分的深度研究报告。
然而，现有评测体系仍聚焦于“事实是否准确”“内容是否完整”，却忽视了一个关键问题：这份报告，真的适合“你”吗？
在真实世界中，一份关于“留学选校”的报告，对一名预算有限的本科生和一位寻求职业转型的职场人，理应完全不同；一份“马拉松训练计划”，也必须考虑用户的体能基础、时间安排等日常生活习惯。
个性化，才是深度研究智能体落地的核心门槛。
为填补这一空白，OPPO 与浙江大学联合团队正式发布 Personalized Deep Research Bench（PDR-Bench）——面向个性化深度研究（Personalized Deep Research）的评测基准，并同步提出 PQR 评估框架，从个性化对齐（P）、内容质量（Q）与事实可靠性（R）三大维度，系统衡量智能体是否真正“懂你”。
论文标题：
Towards Personalized Deep Research: Benchmarks and Evaluations
论文链接：
hhttps://arxiv.org/abs/2509.25106
代码链接：
https://github.com/OPPO-PersonalAI/PersonalizedDeepResearchBench
数据集链接：
https://huggingface.co/datasets/PersonalAILab/PersonalizedDeepResearchBench
基准构建：真实用户 × 深度研究任务
Personalized Deep Research Bench 的核心在于“专业”与“真实”。
50 个深度研究任务：覆盖教育、职业、健康、金融、旅行等 10 个领域，均由领域专家设计，经多轮委员会审核修改，确保任务具备多步推理、信息整合与个性化价值。
25 位真实用户画像：招募真实志愿者，采集其结构化身份信息（年龄、职业、收入、家庭等），职业标注者基于此标注动态行为上下文（手机日志、对话记录、兴趣演变），构建高保真用户档案。
250 个个性化查询：通过“用户自选 + 专家对齐”机制，将任务与用户精准配对，确保每条查询都反映真实世界中的个性化深度研究需求。
PQR 评估框架：不止“好不好”，更要看“适不适合你”
传统评测只问：“报告写得好吗？”
PQR 框架追问三件事：
P - Personalization Alignment（个性化对齐）
报告是否精准契合用户任务目标、知识水平与偏好？是否提供可执行建议？语言风格是否匹配？
Q - Content Quality（内容质量）
是否具备深度洞察、逻辑严谨、结构清晰？是否易于阅读？
R - Factual Reliability（事实可靠性）
所有主张是否有可靠引用？引用内容是否真实支持结论？事实准确率与引用覆盖率如何？
PQR 采用 LLM 驱动的动态评分机制：针对每个“用户-任务”对，自动生成定制化评分标准与权重，实现细粒度、可解释、用户为中心的的评估。
实验发现：开源强在“懂你”，商业胜在“靠谱”
团队评测了包括 Gemini-2.5-Pro Deep Research、O3 Deep Research、Perplexity Deep Research 等商业系统，以及 OAgents、MiroFlow、DeerFlow 等开源智能体，得出关键结论：
开源智能体（如 OAgents）在个性化对齐上表现突出，尤其在目标理解与呈现适配上领先，但事实准确性与引用覆盖率明显不足；
商业系统整体更稳健，在内容质量与事实可靠性上优势显著，但个性化能力仍有提升空间；
仅加搜索插件的大模型（如 GPT-4.1 + Search）难以胜任复杂个性化深度研究任务。
此外，团队还测试对比了“仅任务”、“任务+上下文”和“任务+显式画像”三种输入条件下各系统的个性化得分；团队进一步测试了 Mem0、Memory OS 和 O-Mem 等记忆系统从上下文提取用户特征进行个性化深度研究的表现。
研究发现：
显式用户画像（explicit persona）比隐式上下文（context）更能有效提升个性化效果，说明当前智能体难以从零散上下文中自动提炼准确完整的用户画像，显式结构化信息仍是实现高阶个性化的关键输入；
当前主流记忆系统虽有一定帮助，但与理想状态（直接提供显式画像）仍有显著差距，需更高级的用户建模与推理能力。
该工作不仅为个性化深度研究设立了标准化评测基准，也为未来 AI 助手从“通用信息提供者”迈向“真正懂你的个人研究伙伴”指明了方向。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·